Apollo 插件 Prospect Skill 实战指南从一句 ICP 描述到排名化决策人线索表【免费下载链接】knowledge-work-pluginsOpen source repository of plugins primarily intended for knowledge workers to use in Claude Cowork项目地址: https://gitcode.com/GitHub_Trending/kn/knowledge-work-plugins本文以 knowledge-work-plugins 仓库中 Apollo 插件的/apollo:prospectSkill 为核心完整讲解「理想客户画像ICP→ 排名化线索表」的七步全流程如何解析自然语言描述中的公司与人员筛选条件、如何调用 Apollo MCP 各接口完成公司搜索、批量富化、决策人定位与个人线索富化以及如何用 ICP Fit 评分输出可直接复制使用的线索表格。读完本文你将掌握该 Skill 的完整调用链、每个 MCP 工具的入参与使用时机并能与仓库内的enrich-lead、sequence-load两个 Skill 串成从线索挖掘到序列触达的完整工作流。一、Skill 定位与整体流程prospect是 Apollo 插件三大 Skill 之一另两个为enrich-lead与sequence-load其设计目标可以用一句话概括用户用一句话描述理想客户插件在单次会话内交付一张带排名、带积分消耗说明的决策人线索表。从 SKILL.md 的 frontmatter 可以看到它的元信息name: prospect description: Full ICP-to-leads pipeline. Describe your ideal customer in plain English and get a ranked table of enriched decision-maker leads with emails and phone numbers. user-invocable: true argument-hint: [describe your ideal customer]user-invocable: true表示用户可以直接以斜杠命令形式触发argument-hint提示调用时只需用自然语言描述理想客户即可。整条流水线由 7 个步骤组成解析 ICP从$ARGUMENTS自然语言中抽取公司/人员筛选条件搜索公司用公司级过滤条件查询匹配的目标公司富化重点公司批量补充营收、融资、员工数等公司情报辅助排名定位决策人按职位、职级与公司域搜索关键联系人富化重点线索批量揭示邮箱/电话调用前必须提示积分消耗输出线索表以排名表 ICP Fit 评分呈现结果提供后续动作保存到 Apollo、加入序列、深挖公司、调整重跑、导出。二、典型调用示例Skill 文档给出 5 个可直接照用的调用范例覆盖了最常见的 ICP 描述维度职位 行业 地区 公司规模/apollo:prospect VP of Engineering at Series B SaaS companies in the US, 200-1000 employees /apollo:prospect heads of marketing at e-commerce companies in Europe /apollo:prospect CTOs at fintech startups, 50-500 employees, New York /apollo:prospect procurement managers at manufacturing companies with 1000 employees /apollo:prospect SDR leaders at companies using Salesforce and Outreach从中可以看出 ICP 描述的典型要素目标职位VP of Engineering / CTO / procurement managers、行业或垂直领域SaaS / e-commerce / fintech / manufacturing、地理范围US / Europe / New York、公司规模200-1000 employees。这些要素将被逐一映射为结构化筛选参数。三、Step 1解析 ICP生成结构化过滤条件这是整条流水线的输入层。Agent 需要把$ARGUMENTS中的自然语言拆解为两组过滤条件对应 Apollo 搜索接口的参数。公司维度Company filters自然语言要素映射参数行业 / 垂直领域关键词q_organization_keyword_tags员工规模区间organization_num_employees_ranges公司所在地区organization_locations指定公司域名q_organization_domains_list人员维度Person filters自然语言要素映射参数职位关键词person_titles职级 / 资深程度person_seniorities人员所在地区person_locationsSkill 文档同时给出了一条兜底规则如果 ICP 描述过于模糊应先提出 12 个澄清问题再继续最低要求是至少要有一个「职位/角色」和一个「行业或公司规模」否则无法形成有效的检索条件。这一步的严谨程度直接决定后续搜索的质量是整条流水线成败的关键。四、Step 2搜索目标公司解析完成后第一步检索交给公司级混合搜索接口工具mcp__claude_ai_Apollo_MCP__apollo_mixed_companies_searchq_organization_keyword_tags行业 / 垂直领域关键词organization_num_employees_ranges公司规模区间organization_locations地理范围per_page固定为 25。per_page: 25是文档明确的取数规模意味着首轮检索最多返回 25 家候选公司。该接口只需要用到公司级过滤条件人员维度此时不参与目的是先圈定一个足够大、又足够精准的公司候选池。五、Step 3富化重点公司为排名提供情报依据拿到了公司候选池后Agent 需要从 Step 2 的结果中取前 10 家调用公司批量富化接口补齐决策所需的公司级情报工具mcp__claude_ai_Apollo_MCP__apollo_organizations_bulk_enrich 入参前 10 家公司的域名domains富化后得到的数据包括营收revenue、融资funding、员工规模headcount以及其他公司档案信息firmographic data。这些数据的作用是为下一步「谁值得深挖」提供排名依据——例如两家公司职位匹配度相同但营收与员工规模更符合 ICP 的公司应排在更前。这一步不做人员搜索只做公司层面的情报补全。六、Step 4定位决策人公司排序确定后进入人员检索环节工具mcp__claude_ai_Apollo_MCP__apollo_mixed_people_api_searchperson_titles、person_seniorities来自 ICP 解析阶段的职位与职级条件q_organization_domains_list限定为 Step 3 富化后的公司域名集合将人员搜索范围收敛到高匹配公司内部per_page固定为 25。这一步把「公司搜索 公司富化」的结果与「人员搜索」串联起来先用公司与规模圈定组织范围再在公司内部锁定决策人避免在错误组织里浪费检索配额。七、Step 5富化重点线索含积分警告这是整条流水线唯一直接消耗积分的环节Skill 文档用引用块明确要求Credit warningTell the user exactly how many credits will be consumed before proceeding.即在调用前必须明确告知用户本次将消耗多少 Apollo 积分。这与 README.md 中「人员富化每消耗 1 积分/人、批量富化按批次内人数计费、插件会在消耗积分前给出警告」的声明相互印证——积分透明是该插件的强制行为规范。工具mcp__claude_ai_Apollo_MCP__apollo_people_bulk_match每个候选线索提供first_name、last_name、domainreveal_personal_emails设置为true同时揭示工作邮箱与个人邮箱用于后续触达每次调用最多富化 10 条线索。文档同时给出批次规则如果线索超过 10 条必须拆分为多次调用。例如候选 25 人时应拆为 3 次10 10 5apollo_people_bulk_match调用对应的积分消耗也应按实际富化人数累计。八、Step 6输出排名化线索表与 ICP Fit 评分富化完成后Skill 要求以固定格式的排名表呈现结果表头为### Leads matching: [ICP Summary] | # | Name | Title | Company | Employees | Revenue | Email | Phone | ICP Fit | |---|---|---|---|---|---|---|---|---|表格同时承载了展示与决策两个职能Employees、Revenue来自 Step 3 的公司富化Email、Phone来自 Step 5 的个人富化ICP Fit则是对整条链路质量的量化总结。ICP Fit 评分标准依据 Skill 文档原文评分判定规则Strong职位、职级、公司规模、行业四项全部匹配Good四项中匹配三项Partial四项中匹配两项表格末尾还需给出汇总行格式为**Summary**: Found X leads across Y companies. Z credits consumed.即同时汇报「找到 X 条线索、覆盖 Y 家公司、消耗 Z 积分」。积分数字应与 Step 5 调用前的警告口径一致形成「事前提示—事后确认」的闭环。九、Step 7提供后续动作流水线结束后Skill 要求主动向用户提供 5 个可选后续动作保存全部到 Apollo对每条线索调用mcp__claude_ai_Apollo_MCP__apollo_contacts_create并设置run_dedupe: true开启去重防止与 Apollo 通讯录中已有联系人重复加载到外呼序列询问目标序列名称随后调用同插件的/apollo:sequence-load流程批量入队该 Skill 完整逻辑见 sequence-load/SKILL.md深挖某家公司对列表中任一家公司执行/apollo:company-intel获取更完整的公司情报优化搜索调整过滤条件后重新执行整条流水线导出将线索格式化为 CSV 风格表格方便直接复制粘贴到电子表格工具。十、前置条件插件安装与 OAuth 认证/apollo:prospect依赖 Apollo MCP Server安装与认证步骤在 README.md 中有完整说明。安装Claude Code在 Claude Code 中依次执行两条命令添加 marketplace 并安装插件然后重启 Claude Code 以确认 MCP Server 正常启动/plugin marketplace add apolloio/apollo-mcp-plugin /plugin install apolloapollo-plugin-marketplace认证OAuth插件安装后运行/mcp选中 Apollo 服务器并点击 Authenticate在浏览器中完成 Apollo.io 登录即可无需手动编辑任何 MCP 配置文件。该插件在仓库层面实现了「一键集成」——安装插件即自动配置 Apollo MCP Server。需要说明的是prospect只是使用该 MCP 工具的 Skill 之一本仓库 enrich-lead/SKILL.md 处理「给定姓名/LinkedIn/邮箱的单个联系人补全」而 sequence-load/SKILL.md 负责「批量线索入队 去重 报名」。三个 Skill 均通过同一命名空间mcp__claude_ai_Apollo_MCP__*调用 Apollo 接口因此可以无缝衔接prospect产出的线索表既可直接交给sequence-load批量入队也可先经enrich-lead对单条线索做二次确认。十一、积分成本模型与使用边界prospect流程中共有两处会产生 Apollo 积分消耗Step 3 公司批量富化apollo_organizations_bulk_enrich按富化人数计费最多 10 家Step 5 个人批量富化apollo_people_bulk_match按富化人数计费每批最多 10 人。README 明确说明人员富化与批量富化均为 1 积分/人且插件在所有消耗积分的调用前都会发出警告。因此在实际使用中Step 5 的「10 条 / 批」上限既是接口约束也是控制单轮成本的自然边界——如果 ICP 覆盖的公司与职位组合较多建议通过 Step 7 的「Refine the search」分轮收敛而不是一次性拆出过多批次。十二、总结从一句话到可执行线索资产/apollo:prospect的价值在于把「ICP 定义 → 公司圈选 → 公司情报 → 决策人定位 → 联系方式揭示 → 排序呈现」这一串原本需要人工在多个界面间反复操作的步骤压缩为一次自然语言指令。其核心设计约束每次调用前明示积分、按 ICP Fit 分级、保留去重入口保证了输出既是可读的也是可直接进入下一步销售动作的。配合本仓库的enrich-lead与sequence-load即可构成一条「找对人 → 补全信息 → 批量触达」的完整外呼链路。【免费下载链接】knowledge-work-pluginsOpen source repository of plugins primarily intended for knowledge workers to use in Claude Cowork项目地址: https://gitcode.com/GitHub_Trending/kn/knowledge-work-plugins创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/9/13 4:27:56 · 阅读 1.2k Apollo 插件 Prospect Skill 实战指南：从一句 ICP 描述到排名化决策人线索表
Apollo 插件 Prospect Skill 实战指南从一句 ICP 描述到排名化决策人线索表【免费下载链接】knowledge-work-pluginsOpen source repository of plugins primarily intended for knowledge workers to use in Claude Cowork项目地址: https://gitcode.com/GitHub_Trending/kn/knowledge-work-plugins本文以 knowledge-work-plugins 仓库中 Apollo 插件的/apollo:prospectSkill 为核心完整讲解「理想客户画像ICP→ 排名化线索表」的七步全流程如何解析自然语言描述中的公司与人员筛选条件、如何调用 Apollo MCP 各接口完成公司搜索、批量富化、决策人定位与个人线索富化以及如何用 ICP Fit 评分输出可直接复制使用的线索表格。读完本文你将掌握该 Skill 的完整调用链、每个 MCP 工具的入参与使用时机并能与仓库内的enrich-lead、sequence-load两个 Skill 串成从线索挖掘到序列触达的完整工作流。一、Skill 定位与整体流程prospect是 Apollo 插件三大 Skill 之一另两个为enrich-lead与sequence-load其设计目标可以用一句话概括用户用一句话描述理想客户插件在单次会话内交付一张带排名、带积分消耗说明的决策人线索表。从 SKILL.md 的 frontmatter 可以看到它的元信息name: prospect description: Full ICP-to-leads pipeline. Describe your ideal customer in plain English and get a ranked table of enriched decision-maker leads with emails and phone numbers. user-invocable: true argument-hint: [describe your ideal customer]user-invocable: true表示用户可以直接以斜杠命令形式触发argument-hint提示调用时只需用自然语言描述理想客户即可。整条流水线由 7 个步骤组成解析 ICP从$ARGUMENTS自然语言中抽取公司/人员筛选条件搜索公司用公司级过滤条件查询匹配的目标公司富化重点公司批量补充营收、融资、员工数等公司情报辅助排名定位决策人按职位、职级与公司域搜索关键联系人富化重点线索批量揭示邮箱/电话调用前必须提示积分消耗输出线索表以排名表 ICP Fit 评分呈现结果提供后续动作保存到 Apollo、加入序列、深挖公司、调整重跑、导出。二、典型调用示例Skill 文档给出 5 个可直接照用的调用范例覆盖了最常见的 ICP 描述维度职位 行业 地区 公司规模/apollo:prospect VP of Engineering at Series B SaaS companies in the US, 200-1000 employees /apollo:prospect heads of marketing at e-commerce companies in Europe /apollo:prospect CTOs at fintech startups, 50-500 employees, New York /apollo:prospect procurement managers at manufacturing companies with 1000 employees /apollo:prospect SDR leaders at companies using Salesforce and Outreach从中可以看出 ICP 描述的典型要素目标职位VP of Engineering / CTO / procurement managers、行业或垂直领域SaaS / e-commerce / fintech / manufacturing、地理范围US / Europe / New York、公司规模200-1000 employees。这些要素将被逐一映射为结构化筛选参数。三、Step 1解析 ICP生成结构化过滤条件这是整条流水线的输入层。Agent 需要把$ARGUMENTS中的自然语言拆解为两组过滤条件对应 Apollo 搜索接口的参数。公司维度Company filters自然语言要素映射参数行业 / 垂直领域关键词q_organization_keyword_tags员工规模区间organization_num_employees_ranges公司所在地区organization_locations指定公司域名q_organization_domains_list人员维度Person filters自然语言要素映射参数职位关键词person_titles职级 / 资深程度person_seniorities人员所在地区person_locationsSkill 文档同时给出了一条兜底规则如果 ICP 描述过于模糊应先提出 12 个澄清问题再继续最低要求是至少要有一个「职位/角色」和一个「行业或公司规模」否则无法形成有效的检索条件。这一步的严谨程度直接决定后续搜索的质量是整条流水线成败的关键。四、Step 2搜索目标公司解析完成后第一步检索交给公司级混合搜索接口工具mcp__claude_ai_Apollo_MCP__apollo_mixed_companies_searchq_organization_keyword_tags行业 / 垂直领域关键词organization_num_employees_ranges公司规模区间organization_locations地理范围per_page固定为 25。per_page: 25是文档明确的取数规模意味着首轮检索最多返回 25 家候选公司。该接口只需要用到公司级过滤条件人员维度此时不参与目的是先圈定一个足够大、又足够精准的公司候选池。五、Step 3富化重点公司为排名提供情报依据拿到了公司候选池后Agent 需要从 Step 2 的结果中取前 10 家调用公司批量富化接口补齐决策所需的公司级情报工具mcp__claude_ai_Apollo_MCP__apollo_organizations_bulk_enrich 入参前 10 家公司的域名domains富化后得到的数据包括营收revenue、融资funding、员工规模headcount以及其他公司档案信息firmographic data。这些数据的作用是为下一步「谁值得深挖」提供排名依据——例如两家公司职位匹配度相同但营收与员工规模更符合 ICP 的公司应排在更前。这一步不做人员搜索只做公司层面的情报补全。六、Step 4定位决策人公司排序确定后进入人员检索环节工具mcp__claude_ai_Apollo_MCP__apollo_mixed_people_api_searchperson_titles、person_seniorities来自 ICP 解析阶段的职位与职级条件q_organization_domains_list限定为 Step 3 富化后的公司域名集合将人员搜索范围收敛到高匹配公司内部per_page固定为 25。这一步把「公司搜索 公司富化」的结果与「人员搜索」串联起来先用公司与规模圈定组织范围再在公司内部锁定决策人避免在错误组织里浪费检索配额。七、Step 5富化重点线索含积分警告这是整条流水线唯一直接消耗积分的环节Skill 文档用引用块明确要求Credit warningTell the user exactly how many credits will be consumed before proceeding.即在调用前必须明确告知用户本次将消耗多少 Apollo 积分。这与 README.md 中「人员富化每消耗 1 积分/人、批量富化按批次内人数计费、插件会在消耗积分前给出警告」的声明相互印证——积分透明是该插件的强制行为规范。工具mcp__claude_ai_Apollo_MCP__apollo_people_bulk_match每个候选线索提供first_name、last_name、domainreveal_personal_emails设置为true同时揭示工作邮箱与个人邮箱用于后续触达每次调用最多富化 10 条线索。文档同时给出批次规则如果线索超过 10 条必须拆分为多次调用。例如候选 25 人时应拆为 3 次10 10 5apollo_people_bulk_match调用对应的积分消耗也应按实际富化人数累计。八、Step 6输出排名化线索表与 ICP Fit 评分富化完成后Skill 要求以固定格式的排名表呈现结果表头为### Leads matching: [ICP Summary] | # | Name | Title | Company | Employees | Revenue | Email | Phone | ICP Fit | |---|---|---|---|---|---|---|---|---|表格同时承载了展示与决策两个职能Employees、Revenue来自 Step 3 的公司富化Email、Phone来自 Step 5 的个人富化ICP Fit则是对整条链路质量的量化总结。ICP Fit 评分标准依据 Skill 文档原文评分判定规则Strong职位、职级、公司规模、行业四项全部匹配Good四项中匹配三项Partial四项中匹配两项表格末尾还需给出汇总行格式为**Summary**: Found X leads across Y companies. Z credits consumed.即同时汇报「找到 X 条线索、覆盖 Y 家公司、消耗 Z 积分」。积分数字应与 Step 5 调用前的警告口径一致形成「事前提示—事后确认」的闭环。九、Step 7提供后续动作流水线结束后Skill 要求主动向用户提供 5 个可选后续动作保存全部到 Apollo对每条线索调用mcp__claude_ai_Apollo_MCP__apollo_contacts_create并设置run_dedupe: true开启去重防止与 Apollo 通讯录中已有联系人重复加载到外呼序列询问目标序列名称随后调用同插件的/apollo:sequence-load流程批量入队该 Skill 完整逻辑见 sequence-load/SKILL.md深挖某家公司对列表中任一家公司执行/apollo:company-intel获取更完整的公司情报优化搜索调整过滤条件后重新执行整条流水线导出将线索格式化为 CSV 风格表格方便直接复制粘贴到电子表格工具。十、前置条件插件安装与 OAuth 认证/apollo:prospect依赖 Apollo MCP Server安装与认证步骤在 README.md 中有完整说明。安装Claude Code在 Claude Code 中依次执行两条命令添加 marketplace 并安装插件然后重启 Claude Code 以确认 MCP Server 正常启动/plugin marketplace add apolloio/apollo-mcp-plugin /plugin install apolloapollo-plugin-marketplace认证OAuth插件安装后运行/mcp选中 Apollo 服务器并点击 Authenticate在浏览器中完成 Apollo.io 登录即可无需手动编辑任何 MCP 配置文件。该插件在仓库层面实现了「一键集成」——安装插件即自动配置 Apollo MCP Server。需要说明的是prospect只是使用该 MCP 工具的 Skill 之一本仓库 enrich-lead/SKILL.md 处理「给定姓名/LinkedIn/邮箱的单个联系人补全」而 sequence-load/SKILL.md 负责「批量线索入队 去重 报名」。三个 Skill 均通过同一命名空间mcp__claude_ai_Apollo_MCP__*调用 Apollo 接口因此可以无缝衔接prospect产出的线索表既可直接交给sequence-load批量入队也可先经enrich-lead对单条线索做二次确认。十一、积分成本模型与使用边界prospect流程中共有两处会产生 Apollo 积分消耗Step 3 公司批量富化apollo_organizations_bulk_enrich按富化人数计费最多 10 家Step 5 个人批量富化apollo_people_bulk_match按富化人数计费每批最多 10 人。README 明确说明人员富化与批量富化均为 1 积分/人且插件在所有消耗积分的调用前都会发出警告。因此在实际使用中Step 5 的「10 条 / 批」上限既是接口约束也是控制单轮成本的自然边界——如果 ICP 覆盖的公司与职位组合较多建议通过 Step 7 的「Refine the search」分轮收敛而不是一次性拆出过多批次。十二、总结从一句话到可执行线索资产/apollo:prospect的价值在于把「ICP 定义 → 公司圈选 → 公司情报 → 决策人定位 → 联系方式揭示 → 排序呈现」这一串原本需要人工在多个界面间反复操作的步骤压缩为一次自然语言指令。其核心设计约束每次调用前明示积分、按 ICP Fit 分级、保留去重入口保证了输出既是可读的也是可直接进入下一步销售动作的。配合本仓库的enrich-lead与sequence-load即可构成一条「找对人 → 补全信息 → 批量触达」的完整外呼链路。【免费下载链接】knowledge-work-pluginsOpen source repository of plugins primarily intended for knowledge workers to use in Claude Cowork项目地址: https://gitcode.com/GitHub_Trending/kn/knowledge-work-plugins创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考